PERBANDINGAN ALGORITMA INDOBERT DENGAN NLLB-200 ROBERTA UNTUK ANALISIS SENTIMEN MULTIBAHASA DI MEDIA SOSIAL

Penelitian ini mengkaji perbandingan kinerja dua pendekatan analisis sentimen berbasis model transformer untuk teks berbahasa Indonesia, khususnya cuitan media sosial X terkait Pilpres 2024. Tujuan penelitian adalah menguji apakah pendekatan monolingual melalui fine-tuning IndoBERT (indobert-base-p2) mengungguli pendekatan berbasis terjemahan yang memanfaatkan NLLB-200 untuk menerjemahkan teks Indonesia ke Inggris sebelum dilakukan fine-tuning RoBERTa (roberta-base). Variabel penelitian dibatasi pada tiga kelas sentimen (positif, netral, dan negatif) atas 1.336 cuitan yang dikumpulkan pada periode kampanye 13–18 Desember 2023. Data dibagi secara stratified menjadi 80% pelatihan, 10% validasi, dan 10% pengujian, dengan seluruh hiperparameter kedua model disetarakan untuk menjamin validitas perbandingan. Hasil pengujian pada set pengujian menunjukkan bahwa Strategi A (IndoBERT) mencapai akurasi 80,60%, presisi 81,07%, recall 80,60%, dan F1-score 80,31%; sedangkan Strategi B (NLLB-200 + RoBERTa) memperoleh akurasi 76,12%, presisi 76,92%, recall 76,12%, dan F1-score 75,69%. Selisih F1-score sebesar 4,62 poin persentase mengindikasikan keunggulan model asli bahasa sumber. Analisis confusion matrix mengungkap bahwa kedua strategi terganggu oleh ketidakseimbangan kelas yang ekstrem (positif 73,9%, netral 14,0%, negatif 12,1%), dengan kelas netral paling terdampak, terutama pada RoBERTa yang hanya mencatat recall 5%. Penelitian menyimpulkan bahwa fine-tuning IndoBERT secara langsung pada teks bahasa sumber merupakan pendekatan yang lebih efektif dan efisien dibandingkan rute penerjemahan NLLB-200 ke RoBERTa untuk sentimen politik berbahasa Indonesia, sekaligus menghemat biaya komputasi terjemahan. Temuan ini memperkuat posisi transformer bahasa daerah (language-specific) di atas strategi terjemahan sebagai jembatan lintas-bahasa. Penelitian merekomendasikan eksplorasi teknik penyeimbangan kelas lanjutan serta dataset yang lebih besar untuk meningkatkan generalisasi pada kelas minoritas.